CN104537242A - 一种基于腕势的运动状态识别系统及其识别方法 - Google Patents
一种基于腕势的运动状态识别系统及其识别方法 Download PDFInfo
- Publication number
- CN104537242A CN104537242A CN201410848279.9A CN201410848279A CN104537242A CN 104537242 A CN104537242 A CN 104537242A CN 201410848279 A CN201410848279 A CN 201410848279A CN 104537242 A CN104537242 A CN 104537242A
- Authority
- CN
- China
- Prior art keywords
- training
- module
- wrist
- sample
- acquisition module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明涉及腕式设备及腕势识别技术领域,具体为一种基于腕式设备穿戴者的腕势来识别该穿戴者的运动状态的系统及其识别方法,其能够根据腕式设备发出的信号判断出佩戴者的动作,及时发现问题进行处理,给生活带来更多方便。其包括腕式设备,其特征在于,所述腕式设备内安装加速度传感器、微控器、网络控制器,所述腕式设备连接存储外设,所述微控器包括采集模块、训练模块、识别模块,所述加速度传感器连接采集模块,所述采集模块、存储外设均连接训练模块和识别模块,所述识别模块连接网络控制器。
Description
技术领域
本发明涉及腕式设备及腕势识别技术领域,具体为一种基于腕式设备穿戴者的腕势来识别该穿戴者的运动状态的系统及其识别方法。
背景技术
腕式设备在人们生活中已日渐普遍,如腕表、腕环等,给人们生活带来很多方便,比如腕表可以给人们显示时间、腕环佩戴时可以起到吸汗的作用,而随着电子产品的不断发展升级,在腕式设备上可以添加各种芯片电路,安装各种应用系统,起到更多的功能,例如在腕式设备上安装定位装置和信号发送装置,其他人通过接收器可以接收到定位装置发出的信号,方便地知道佩戴者的位置,比如说为了防止老年人或者儿童外出时迷路走失,可以让他们佩戴,家人通过接收器可以随时知道佩戴者的位置,起到定位作用,但是,对于佩戴者发生的动作却无法进行判断,比如说老年人摔倒时,普通的腕式设备无法分辨出摔倒,只能发送佩戴者位置,家人无法根据收到的信号得知,有时老年人摔的较重,如果不能及时发现,会有严重后果。
发明内容
为了解决上述问题,本发明提供了一种基于腕势的运动状态识别系统及其识别方法,其能够根据腕式设备发出的信号判断出佩戴者的动作,及时发现问题进行处理,给生活带来更多方便。
其技术方案是这样的:一种基于腕势的运动状态识别系统,其包括腕式设备,其特征在于,所述腕式设备内安装加速度传感器、微控器、网络控制器,所述腕式设备连接存储外设,所述微控器包括采集模块、训练模块、识别模块,所述加速度传感器连接采集模块,所述采集模块、存储外设均连接训练模块和识别模块,所述识别模块连接网络控制器。
其进一步特征在于,所述存储外设为SD卡;
所述网络控制器包括通信模块。
一种基于腕势的运动状态识别方法,其特征在于,其包括以下步骤:
(1)采集模块对一个待识别运动状态腕势的加速度进行采样,加速度传感器将腕势的加速度转化为电信号输出给采集模块,一次采样数据包括x、y、z三个相互垂直方向的加速度值,采集模块对一个腕势的加速度进行15次采样构成一组采样数据;
(2)重复步骤(1)对该待识别腕势的加速度进行多次采样,得到多组采样数据形成训练样本集;
(3)采集模块将训练样本集送至训练模块,在训练模块中对训练样本集进行样本训练得到训练模型参数,训练模块将该训练模型参数送至存储外设;
(4)将存储外设内的训练模型参数送至识别模块,加速度传感器将腕势的加速度转化为电信号输出给采集模块,采集模块内设置长度为45的缓冲区,缓冲区存储经过15次采样后的45个加速度值,当缓冲区存储满45个加速度值后,将该45个加速度值形成的一个待预测样本发送至识别模块;
(5)识别模块利用训练模型参数对待预测样本进行预测计算处理得到待预测样本表达的动作类别,将该动作类别的信息送至网络控制器,由网络控制器发送出去;
(6)当步骤(4)中缓冲区存储满45个加速度值后,采集模块每新采样一次的3个加速度值添加至缓冲区尾部,同时删除缓冲区头部的3个加速度值,每次对缓冲区进行添加和删除操作后,将该缓冲区的新的测试样本发送至识别模块,重复步骤(5);缓冲区循环存储数据。
其进一步特征在于,所述采样频率为每秒5次;
所述训练模块中对训练样本集进行训练的过程包括:将训练模块采集的训练样本集存放在二维数组S中,S的每行存放一个训练样本,S的行数为训练样本数;首先对S作PCA降维处理:计算样本的平均值 ,计算样本的协方差阵,将协方差矩阵分解成。这里P是C的特征向量矩阵,A是C的特征值矩阵,其中按从大到小排列;经过PCA处理后训练样本集为,其中表示二维数组S的每一行均减去,取中前d个维度组成新的训练集T,其中d由确定,将训练样本的每一维作为一个普通高斯核函数,然后对所有维度加以组合,如下公式所示:
以上各式均为输入向量为一维的高斯核函数,每一个维度均为训练样本的单个维度,由于为常数,以上各式可表示为:
其中Ci为可调节的常量;根据核函数性质,将以上逐式相加所得到新的核函数的公式:
所述训练模块采用Rough one-class SVM进行训练,其过程即求解如下的二次规划:
求解此二次规划问题后得到二次规划的最优解,从而可以得到;
所述识别模块将测试样本中的参数与训练模型参数进行计算处理过程包括:采集模块采集到的测试样本x,计算其决策函数:
按以下规则得出测试样本所表达的动作类别:
(1)如果,则样本点x明确识别为所定义的动作;
(2)如果,则样本点x明确识别非所定义的动作;
(3)如果且,现有给出的信息不足以判定x的动作类别。
采用本发明的系统和方法后,将经过采集和训练后的能够反映指定运动状态特征的识别模型参数放置存储外设内,佩戴者佩戴上腕式设备后每采集到一组待识别运动状态的数据都会由加速度传感器将其传输给识别模块进行计算处理,得到的识别结果通过网络控制器发送至通信网络,即能够根据腕式设备发出的信号判断出佩戴者的运动状态,及时发现问题进行处理,给生活带来更多方便。
附图说明
图1为本发明系统示意图;
图2为本发明系统具体结构示意图;
图3为本发明流程示意图。
具体实施方式
见图1,图2,图3所示,一种基于腕势的运动状态识别系统,其包括腕式设备,其特征在于,腕式设备内安装加速度传感器、微控器、网络控制器,腕式设备连接存储外设,微控器包括采集模块、训练模块、识别模块,加速度传感器连接采集模块,采集模块、存储外设均连接训练模块和识别模块,识别模块连接网络控制器;此处的腕式设备可以是腕表、腕环等佩戴在腕部的设备,此处的加速度传感器中,在加速度作用下,无对称中心的异极晶体加在晶体上的外力除了使晶体发生形变以外,还改变了晶体的极化状态,在晶体内部建立电场,产生正压电效应。加速度传感器利用其内部的由于加速度造成的晶体变形这个特性,变形会产生电压,计算出产生电压和所施加的加速度之间的关系,将加速度转化成电压输出。
存储外设为SD卡,网络控制器包括通信模块,此处的通信模块采用无线连接,可以是GPRS通信模块,使用方便。
一种基于腕势的运动状态识别方法,其包括以下步骤:
(1)采集模块对一个待识别腕势的加速度进行采样,加速度传感器将腕势的加速度转化为电信号输出给采集模块,一次采样数据包括x、y、z三个相互垂直方向的加速度值,采集模块对一个腕势的加速度进行15次采样构成一组采样数据,采样频率为每秒5次;
(2)重复步骤(1)对该待识别腕势的加速度进行多次采样,得到多组采样数据形成训练样本集;
(3)采集模块将训练样本集送至训练模块,在训练模块中对训练样本集进行样本训练得到训练模型参数,训练模块将该训练模型参数送至存储外设;
(4)将存储外设内的训练模型参数送至识别模块,加速度传感器将腕势的加速度转化为电信号输出给采集模块,采集模块内设置长度为45的缓冲区,缓冲区存储经过15次采样后的45个加速度值,当缓冲区存储满45个加速度值后,将该45个加速度值形成的一个待预测样本发送至识别模块;
(5)识别模块利用训练模型参数对待预测样本进行预测计算处理得到待预测样本表达的动作类别,将该动作类别的信息送至网络控制器,由网络控制器发送出去;
(6)当步骤(4)中缓冲区存储满45个加速度值后,采集模块每新采样一次的3个加速度值添加至缓冲区尾部,同时删除缓冲区头部的3个加速度值,每次对缓冲区进行添加和删除操作后,将该缓冲区的新的测试样本发送至识别模块,重复步骤(5);缓冲区循环存储数据。
训练模块中对训练样本集进行训练的过程包括:将训练模块采集的训练样本集存放在二维数组S中,S的每行存放一个训练样本,S的行数为训练样本数;首先对S作PCA降维处理:计算样本的平均值 ,计算样本的协方差阵,将协方差矩阵分解成。这里P是C的特征向量矩阵,A是C的特征值矩阵,其中按从大到小排列;经过PCA处理后训练样本集为,其中表示二维数组S的每一行均减去,取中前d个维度组成新的训练集T,其中d由确定,将训练样本的每一维作为一个普通高斯核函数,然后对所有维度加以组合,如下公式所示:
以上各式均为输入向量为一维的高斯核函数,每一个维度均为训练样本的单个维度,由于为常数,以上各式可表示为:
其中Ci为可调节的常量;根据核函数性质,将以上逐式相加所得到新的核函数的公式:
所述训练模块采用Rough one-class SVM进行训练,其过程即求解如下的二次规划:
求解此二次规划问题后得到二次规划的最优解,从而可以得到;
所述识别模块将测试样本中的参数与训练模型参数进行计算处理过程包括:采集模块采集到的测试样本x,计算其决策函数:
按以下规则得出测试样本所表达的动作类别:
(1)如果,则样本点x明确识别为所定义的动作;
(2)如果,则样本点x明确识别非所定义的动作;
(3)如果且,现有给出的信息不足以判定x的动作类别。
上述步骤中,步骤(1)到(3)是对一个待识别腕势的加速度的采样和训练,对该待识别腕势的加速度进行多次采样,得到多组采样数据形成训练样本集,就是对一个动作比如说是摔倒动作进行多次采样,因为同一个动作发生时,腕势的加速度表现可能有很多种可能性,因为对待识别的腕势的加速度进行多次采样,尽量把所有可能性都包括进去,然后对其进行训练处理,得到训练模型参数,而在识别阶段,也就是步骤(4)到(6)中每采集到一组预测样本都将其发送到识别模块中利用训练模型参数对预测样本进行预测计算处理,然后根据计算结果得到采样到的腕势的加速度的类别,通过网络控制器发出去后,接收到发出的信号的人就可以根据信号类别判断出佩戴者的动作。
上述仅为本发明的一个实施例,其具体的实施如方法实施例所描述,在此不再赘述,但不用以限制本发明。
Claims (6)
1.一种基于腕势的运动状态识别系统,其包括腕式设备,其特征在于,所述腕式设备内安装加速度传感器、微控制器、网络控制器,所述腕式设备连接存储外设,所述微控器包括采集模块、训练模块、识别模块,所述加速度传感器连接采集模块,所述采集模块、存储外设均连接训练模块和识别模块,所述识别模块连接网络控制器。
2.根据权利要求1所述的一种基于腕势的运动状态识别系统,其特征在于,所述存储外设为SD卡。
3.根据权利要求1所述的一种基于腕势的运动状态识别系统,其特征在于,所述网络控制器包括通信模块。
4.一种基于腕势的运动状态识别方法,其特征在于,其包括以下步骤:
(1)采集模块对一个待识别腕式设备穿戴者运动状态的腕势的加速度进行采样,加速度传感器将腕势的加速度转化为电信号输出给采集模块,一次采样数据包括x、y、z三个相互垂直方向的加速度值,采集模块对一个所述腕势的加速度进行15次采样构成一组采样数据;
(2)重复步骤(1)对该所述腕势的加速度进行多次采样,得到多组采样数据形成训练样本集;
(3)采集模块将训练样本集送至训练模块,在训练模块中对训练样本集进行样本训练得到训练模型参数,训练模块将该训练模型参数送至存储外设;
(4)将存储外设内的训练模型参数送至识别模块,加速度传感器将所述腕势的加速度转化为电信号输出给采集模块,采集模块内设置长度为45的缓冲区,缓冲区存储经过15次采样后的45个加速度值,当缓冲区存储满45个加速度值后,将该45个加速度值形成的一个待预测样本发送至识别模块;
(5)识别模块利用训练模型参数对待预测样本进行预测计算处理得到待预测样本表达的腕式设备穿戴者运动状态的类别,将该运动状态类别的信息送至网络控制器,由网络控制器发送至网络;
(6)当步骤(4)中缓冲区存储满45个加速度值后,采集模块每新采样一次的3个加速度值添加至缓冲区尾部,同时删除缓冲区头部的3个加速度值,每次对缓冲区进行添加和删除操作后,将该缓冲区的新的测试样本发送至识别模块,重复步骤(5);缓冲区循环存储数据。
5.根据权利要求4所述的一种基于腕势的运动状态识别方法,其特征在于,所述采样频率为每秒5次。
6.根据权利要求4所述的一种基于所述腕势的运动状态识别方法,所述训练模块中对训练样本集进行训练的过程包括:将训练模块采集的训练样本集存放在二维数组S中,S的每行存放一个训练样本,S的行数为训练样本数;首先对S作PCA降维处理:计算样本的平均值 ,计算样本的协方差阵,将协方差矩阵分解成。这里P是C的特征向量矩阵,A是C的特征值矩阵,其中按从大到小排列;经过PCA处理后训练样本集为,其中表示二维数组S的每一行均减去,取中前d个维度组成新的训练集T,其中d由确定,将训练样本的每一维作为一个普通高斯核函数,然后对所有维度加以组合,如下公式所示:
以上各式均为输入向量为一维的高斯核函数,每一个维度均为训练样本的单个维度,由于为常数,以上各式可表示为:
其中Ci为可调节的常量;根据核函数性质,将以上逐式相加所得到新的核函数的公式:
所述训练模块采用Rough one-class SVM进行训练,其过程即求解如下的二次规划:
求解此二次规划问题后得到二次规划的最优解,从而可以得到;
所述识别模块将测试样本中的参数与训练模型参数进行计算处理过程包括:采集模块采集到的测试样本x,计算其决策函数:
按以下规则得出测试样本所表达的动作类别:
(1)如果,则样本点x明确识别为所定义的动作;
(2)如果,则样本点x明确识别非所定义的动作;
(3)如果且,现有给出的信息不足以判定x的动作类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410848279.9A CN104537242B (zh) | 2014-12-31 | 2014-12-31 | 一种基于腕势的运动状态识别系统及其识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410848279.9A CN104537242B (zh) | 2014-12-31 | 2014-12-31 | 一种基于腕势的运动状态识别系统及其识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104537242A true CN104537242A (zh) | 2015-04-22 |
CN104537242B CN104537242B (zh) | 2018-09-28 |
Family
ID=52852768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410848279.9A Active CN104537242B (zh) | 2014-12-31 | 2014-12-31 | 一种基于腕势的运动状态识别系统及其识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104537242B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108387757A (zh) * | 2018-01-19 | 2018-08-10 | 百度在线网络技术(北京)有限公司 | 用于检测可移动设备的移动状态的方法和装置 |
CN111681753A (zh) * | 2020-04-24 | 2020-09-18 | 无锡博智芯科技有限公司 | 一种基于支持向量机的康复运动模式识别及参数求解方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101702258A (zh) * | 2009-04-28 | 2010-05-05 | 中国科学院合肥物质科学研究院 | 一种人体摔倒自动检测报警系统及其信息处理方法 |
CN102156199A (zh) * | 2010-02-09 | 2011-08-17 | 精工爱普生株式会社 | 运动状态检测方法及运动状态检测装置 |
CN103417219A (zh) * | 2013-09-11 | 2013-12-04 | 重庆大学 | 穿戴式人体跌倒检测装置 |
CN103593944A (zh) * | 2012-08-16 | 2014-02-19 | 天行动力科技有限公司 | 意外监测及报警系统 |
CN203455924U (zh) * | 2013-06-06 | 2014-02-26 | 深圳市美的连电子科技有限公司 | 一种穿戴式呼救设备及呼救系统 |
CN103903390A (zh) * | 2014-03-12 | 2014-07-02 | 复旦大学 | 可定位的穿戴式跌倒监测系统 |
CN103976739A (zh) * | 2014-05-04 | 2014-08-13 | 宁波麦思电子科技有限公司 | 穿戴式摔倒动态实时检测方法和装置 |
CN104077495A (zh) * | 2014-07-17 | 2014-10-01 | 杜晓松 | 一种可穿戴人体特征信息采集及监控系统 |
CN104173057A (zh) * | 2014-08-18 | 2014-12-03 | 复旦大学 | 基于移动通信的可穿戴式跌倒检测系统 |
-
2014
- 2014-12-31 CN CN201410848279.9A patent/CN104537242B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101702258A (zh) * | 2009-04-28 | 2010-05-05 | 中国科学院合肥物质科学研究院 | 一种人体摔倒自动检测报警系统及其信息处理方法 |
CN102156199A (zh) * | 2010-02-09 | 2011-08-17 | 精工爱普生株式会社 | 运动状态检测方法及运动状态检测装置 |
CN103593944A (zh) * | 2012-08-16 | 2014-02-19 | 天行动力科技有限公司 | 意外监测及报警系统 |
CN203455924U (zh) * | 2013-06-06 | 2014-02-26 | 深圳市美的连电子科技有限公司 | 一种穿戴式呼救设备及呼救系统 |
CN103417219A (zh) * | 2013-09-11 | 2013-12-04 | 重庆大学 | 穿戴式人体跌倒检测装置 |
CN103903390A (zh) * | 2014-03-12 | 2014-07-02 | 复旦大学 | 可定位的穿戴式跌倒监测系统 |
CN103976739A (zh) * | 2014-05-04 | 2014-08-13 | 宁波麦思电子科技有限公司 | 穿戴式摔倒动态实时检测方法和装置 |
CN104077495A (zh) * | 2014-07-17 | 2014-10-01 | 杜晓松 | 一种可穿戴人体特征信息采集及监控系统 |
CN104173057A (zh) * | 2014-08-18 | 2014-12-03 | 复旦大学 | 基于移动通信的可穿戴式跌倒检测系统 |
Non-Patent Citations (1)
Title |
---|
佟丽娜: ""基于力学量信息获取系统的人体摔倒过程识别方法研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108387757A (zh) * | 2018-01-19 | 2018-08-10 | 百度在线网络技术(北京)有限公司 | 用于检测可移动设备的移动状态的方法和装置 |
CN108387757B (zh) * | 2018-01-19 | 2021-07-27 | 百度在线网络技术(北京)有限公司 | 用于检测可移动设备的移动状态的方法和装置 |
CN111681753A (zh) * | 2020-04-24 | 2020-09-18 | 无锡博智芯科技有限公司 | 一种基于支持向量机的康复运动模式识别及参数求解方法 |
CN111681753B (zh) * | 2020-04-24 | 2023-10-10 | 无锡博智芯科技有限公司 | 一种基于支持向量机的康复运动模式识别及参数求解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104537242B (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105807935B (zh) | 一种基于WiFi的手势控制人机交互系统 | |
CN108924736B (zh) | 一种基于PCA-Kalman的无源室内人员状态检测方法 | |
CN204121706U (zh) | 信息处理系统 | |
CN101794528B (zh) | 一种手语语音双向翻译系统 | |
US20160125348A1 (en) | Motion Tracking Wearable Element and System | |
CN103606248A (zh) | 一种人体摔倒自动检测方法及系统 | |
CN108629170A (zh) | 身份识别方法以及相应的装置、移动终端 | |
CN106796753A (zh) | 用于物联网领域的多传感器变化检测 | |
CN104267439A (zh) | 一种无监督人体检测与定位的方法 | |
CN102867190B (zh) | 一种利用移动设备内置传感器进行行为识别的方法 | |
Hossain et al. | Activity recognition by using lorawan sensor | |
Zhang et al. | CSI-based human activity recognition with graph few-shot learning | |
Maekawa et al. | WristSense: wrist-worn sensor device with camera for daily activity recognition | |
CN105492868A (zh) | 用于可靠运动分类的半步频率特性 | |
CN110059612A (zh) | 一种基于信道状态信息的位置无关的手势识别方法及系统 | |
CN109902554A (zh) | 一种基于商用Wi-Fi的手语的识别方法 | |
CN104537242A (zh) | 一种基于腕势的运动状态识别系统及其识别方法 | |
Moghaddam et al. | A WiFi-based system for recognizing fine-grained multiple-subject human activities | |
CN104190063B (zh) | 一种基于智能手机的姿态识别及远程训练方法及系统 | |
Wenyuan et al. | From Lens to Prism: Device-free modeling and recognition of multi-part activities | |
Ren et al. | Intelligent contactless gesture recognition using WLAN physical layer information | |
WO2016072240A1 (ja) | センサ情報を処理する情報処理装置、情報管理システム、情報表示システム、情報処理方法、プログラム、記録媒体及びサーバ装置 | |
CN107193030A (zh) | 判断宠物穿戴设备是否掉落的方法和装置 | |
CN103826202A (zh) | 基于手机传感器信息改进WiFi定位结果跳动的方法 | |
Wang et al. | Posture recognition and heading estimation based on machine learning using MEMS sensors |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |